基于HDP-HSMM的机械设备故障预测关键技术研究

With the continuous improvement requirements of reliability and security for mechanical equipment, accurate extraction of equipment fault development trend of degradation characteristic information and establishment of effective fault prediction model is the key problem to improve reliability of equipment operation.Mechanical equipment typical components are researched in the project.Aiming at the disadvantage of hidden semi-Markov model (HSMM) which applied to the equipment prognostics that the number of degradation state must be determined beforehand, state transition probability is satisfied time invariance and degradation state duration is discrete distribution. A novel hierarchical Dirichlet process (HDP) model is incorporated to definition and training of HSMM to realized the model parameters and the number of cluster update automatic and structure optimization. Equipment different degradation states are classifyed effectively based on HDP-HSMM. And the remaining time can be predicted by utilizing the state transfer probability and duration time information as also determined by HDP-HSMM. A self-adaptive alarm and health evaluation mechanism for equipment condition is researched based on degradation performance assessment.A self-adaptive alarm threshold for equipment condition is proposed according to the continuous degradation index.Accomplishment of this project will improve the reliability and maintainability for mechanical equipment.

随着对机电设备安全性和可靠性要求的不断提高，准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。本项目以机电设备典型零部件为研究对象，针对隐半马尔科夫模型(HSMM)应用于故障预测中必须预先确定设备退化状态数，假定退化状态转移概率满足不变性、与驻留时间无关，驻留时间分布离散化等主要不足，提出将分层狄利克雷过程(HDP)引入到改进的HSMM定义和学习中，实现HSMM模型参数和聚类数的自动更新、模型结构的优化，并建立基于HDP-HSMM的设备退化状态分类器，将设备性能退化评估与故障预测相结合，利用HDP-HSMM所确定的退化状态转移关系和状态驻留时间信息，预测故障发生时间；研究设备自适应报警与健康等级评价机制，提出基于退化性能指标的动态报警阈值设定方法。本项目的完成将有效地提高机械设备运行的可靠性和可维护性。

隐马尔可夫模型(Hidden Markov Model,HMM)及其改进模型隐半马尔可夫模型(Hidden semi-Markov Model, HSMM)具有状态隐含、观测序列可见的双重随机属性，很好地描述了设备运行过程中的隐状态与观测到的征兆信号之间的随机关系，在机电设备性能退化评估与故障预测中得到广泛应用。但是，HMM存在着状态数必须预先设定，退化状态转移概率不变等主要缺陷，本项目以机电设备典型零部件为研究对象，充分借鉴和吸收目前机器学习领域的研究热点—非参数贝叶斯方法的最新研究成果，提出了分层狄利克雷过程(Hierarchical Dirichlet Process,HDP)与隐马尔科夫模型相结合的机械设备故障预测方法。在深入研究HDP算法框架与构造方法、后验参数采样的基础上，通过构造HDP作为HMM参数的先验分布，利用DP扩展混合模型(Dirichlet Process Mixture Model,DPMM)良好的聚类特性和分层狄利克雷过程的分层共享原理，实现了模型参数自适应的学习和分类数自动更新，获得了设备运行过程中的隐状态数，并结合HSMM良好的学习和建模能力，得到设备退化状态转移路径，实现机械设备的退化状态识别和性能评估。将设备多维特征指标作为HDP模型的输入，改善了单一特征识别结果的不稳定性，实现了状态转移概率矩阵动态调整；基于HDP-HSMM所建立的退化状态动态转移关系和驻留时间分布，确定设备早期故障点和功能故障点，实现设备的故障预测；研究了设备自适应报警与健康等级评价机制，提出了基于HSMM的设备动态预警方法，给出了基于退化性能指标设备报警阈值设定方法。利用美国USFI/UCR智能维护中心轴承全寿命试验数据等研究结果表明，本项目提出的算法能实现多维特征向量的组合聚类，识别结果不依赖于算法初始参数和设备监测特征量的选取，具有较强的鲁棒性和适应性。与基于Kolmogorov-Smirnov(K-S)检验等算法比较表明，该算法可以识别设备不同的运行状态，能更加有效地描述设备实际退化过程，为基于状态的设备维护提供了重要信息。